鴻蒙看中了極頂數創什么？—— 一家 3D 大模型公司的產品邏輯

編注：我們每天會接觸大量的軟件、硬件，但是多數時間下，都只是以固有的「使用者」視覺去體驗和評判，快節奏的模式讓我們沒時間體會太多背后的理念。「幕后」欄目因此而生，我們會不定期邀請一些制作者，講述他們在產品開發、制作過程中的點滴。

過去，做一個 3D 模型是件門檻極高的事 —— 建模、拓撲、UV、貼圖、材質，一整套專業軟件里的復雜操作，把絕大多數普通人擋在門外。而隨著 AI 時代的到來，3D 創作第一次有機會像拍照一樣簡單。

前不久，我們造訪了華為的開發者大會 HDC 2026。會上，V2Fun 作為鴻蒙系統首個 3D 大模型 AI 原生應用亮相，上架華為應用市場后很快登上編輯精選，闖進下載榜 Top30 和當月最佳應用，成為鴻蒙生態里空間智能方向最受關注的原生應用之一。這款產品背后的極頂數創（Vertex Lab），是一支在論文和競賽方面收獲頗豐，卻又執意要把「最難的 3D」做成大眾產品的團隊。

帶著關于「為什么是 3D」「為什么是鴻蒙」以及「一支研究型團隊如何做產品」的諸多疑問，少數派專訪了極頂數創創始人、CEO 嵇盼博士。

（極頂數創創始人、CEO 嵇盼博士在發布會上）

▍請介紹一下自己和你的產品。

少數派的讀者們大家好，我是嵇盼，極頂數創（Vertex Lab）的創始人和 CEO。我畢業于浙江大學，之后到海外攻讀博士，師從 3D 視覺領域的知名科學家 Hongdong Li 教授，博士后師從澳大利亞工程院和科學院雙院院士 Ian Reid，一直主攻三維視覺、空間計算、感知交互和 3D 內容生成等方向。在硅谷的核心 AI 圈待了差不多五年后，我回國加入大廠工作，曾經擔任騰訊 XR 感知交互中心的負責人。2025 年，我創立了極頂數創，目前的主要產品就是 V2Fun。

V2Fun 的功能用一句話說，就是把過去只有專業人士才能完成的 3D 建模，變成普通人也能上手的事。拍一張照片或者輸入一段文字，它就能生成一個高還原度的 3D 模型。我們支持了多端，移動端是鴻蒙原生 app，面向大眾和輕量創作者；網頁端是個工業級的 3D 內容生產全管線，面向專業創作者、設計師、3D 內容團隊和游戲、泛娛樂的生產方。兩端賬戶互通，你可以在手機上隨手起草，再到網頁端精修、落地。

▍如今流行的 AI 方向主要是文本、圖片和視頻生成，為什么選擇更小眾可能也更難的 3D 生成方向？

我的判斷是，3D 大模型是 AI 從「二維內容生成」走向「三維世界生成」的關鍵基礎設施。真正的空間智能、未來的世界模型，底層入口一定是三維的。3D 生成確實更難，它要同時解決結構、紋理、視角和資產可用性的問題；但也正因為難，才會離未來更近。

這個種子其實在十幾年前就種下了。2009 年，我還是大三學生，在浙大紫金港校區附近的一家影院里看了《阿凡達》。還記得銀幕上呈現出一個縱深、有光影的立體世界，潘多拉星球的叢林與生物以一種前所未見的方式「活」了過來。我被這種「另一個世界真實存在」的錯覺擊中了。

散場后，我除了感嘆特效震撼，也開始琢磨一個更實際的問題：這些三維的角色和場景，究竟是怎么生成出來的？帶著這個問題，我一頭扎進了校內的 3D 數字電視實驗室，從此和「三維」這兩個字較上了勁。

十幾年后，我在硅谷做完自動駕駛的 3D 視覺，又轉戰 AR、VR 賽道，最后回國加入騰訊游戲的 XR 感知交互中心。但那個當年在電影院里冒出來的念頭始終沒有消失：如果三維世界的構建門檻能夠被徹底打破，普通人也能像寫一句話那樣「造」出一個三維角色，那會怎樣？

2025 年，這個念頭終于落地成了一次創業。我后來常說，3D 模型是真實世界的一種物理表達。這句話聽起來像是產品理念，但對我而言，其實是從 16 年前那個電影院的座位上，一路走到今天的答案。

▍先來說說 V2Fun 的移動端吧。一個完全沒有建模基礎的普通人，打開它能做什么？

我們對移動端的核心定位是「讓 3D 創作像拍照一樣簡單」。你只要負責上傳圖片，剩下的 AI 識別主體、生成 3D 模型，都會自動完成，然后就可以 360° 預覽，滿意后直接保存、導出、分享。傳統 3D 建模要經歷建模、貼圖、材質、拓撲、UV、格式轉換一大串步驟，而我們把它變成了普通人也能完成的一次移動端創作。

此外，我們還支持一鍵把現實照片轉成更適合建模的風格參考圖，包括寫實參考圖優化、潮玩盲盒、積木藝術、立體折紙幾種風格。這既降低了門檻，也讓它在潮玩、手辦、個性化禮物、社交分享這些場景里更好玩。生成之后，更可以導出 GLB、3MF 這些行業標準格式，對接 3D 打印機，把數字創意直接變成實體的手辦或擺件。

（使用 V2Fun 制作的 3D 打印手辦）

▍為什么選擇在鴻蒙平臺首發 V2Fun app？主要是出于技術上還是生態上的考慮？

兩方面考慮都有。

先說技術。我們能成為鴻蒙系統首個 3D 大模型 AI 原生應用亮相 HDC 2026，前提是 V2Fun 的能力和 HarmonyOS 的空間智能方向本來就高度契合。我們沒有簡單移植一個網頁版，而是發現 V2Fun 的技術能力和 HarmonyOS 的空間智能方向非常契合，然后抓住這些結合點深耕。例如，依托系統級框架 ArkGraphics 3D 這些，模型生成后可以在手機上自然地預覽、旋轉、查看和交互；生成的 GLB、3MF 資產可以保存到系統圖庫，讓用戶像管理照片一樣管理 3D 文件。

再說生態。這其實是華為和我們的一次雙向選擇：華為需要一個能展示空間智能系統能力的標桿應用，而我們需要一個能承接 3D 資產、放大 3D AI 體驗的系統級生態。加上鴻蒙正處在高速成長期，我們也順利獲得了編輯精選、下載榜 Top30 和當月最佳應用等成績。這是自己單打獨斗很難換來的。

（V2Fun 在 HDC 2026 獲現場展示）

（V2Fun 在鴻蒙應用商店所獲曝光）

▍根據你們目前掌握的情況，移動端的大眾用戶最常生成的是哪些類型的 3D 模型？和你們最初的設想一致嗎？

說實話，和我們最初的設想有重合，但也有不少意外。

從后臺數據來看，目前用戶生成最多的還是人和寵物兩大類：自拍、證件照、和朋友的合影，占了相當大一部分；緊隨其后的是寵物，貓貓狗狗幾乎是每天生成量最高的品類之一。這兩類符合我們最初的判斷，人們最想留住的，永遠是和自己有情感聯系的東西。

讓我們意外的是一位手辦收藏愛好者的用法。他把自己收藏了幾十個的絕版手辦逐一拍照建模，做成了一個可以在手機里 360 度翻看、甚至能「排列組合」的虛擬展柜。他跟我們反饋說，很多手辦年代久遠、易碎，平時都鎖在柜子里舍不得拿出來把玩，但現在可以在手機上隨時「盤」一遍。這種把收藏和展示重新連接起來的用法，讓我們意識到 3D 模型的價值，不只是「造出來」，更是「留下來」和「看下去」。

（V2Fun 用戶用手機還原出的手辦模型）

▍與移動端相比，V2Fun 網頁版服務群體有何不同？為什么選擇同時服務兩個需求差異極大的群體？

網頁版的 V2Fun 工作臺（v2fun.art）面向專業創作者、設計師、3D 內容團隊和游戲、泛娛樂的生產方，提供更完整的能力：AI 圖像負責更穩定可控的視覺輸入，AI 建模能從文字或圖片生成高精度模型、原生附帶 8K PBR 材質貼圖，AI 動畫則支持一鍵骨骼綁定、海量動作庫和 AI 視頻動作捕捉，讓靜態模型動起來。

例如，我們有一位叫做喵不靈的專業用戶，他是?名擁有 8 年經驗的資深游戲原畫師，曾參與過《?限暖暖》等?型項?，但?直想獨?完成?個屬于??的童話?鎮《唯詩利亞》（Wishlia）。過去，他曾先后嘗試過 7 次，但每?次都在進?建筑細節、空間搭建和模型資產制作階段時，因為?作量過??被迫放棄。

接? V2Fun 后，他從原畫、參考圖和空間草圖出發，就快速?成了建筑、街?、道具等 3D 資產，再進? 3D 空間中進?組合、驗證和?次調整。通過這種?式，他已經制作了超過 100 個資產，夢想非常接近成型。

（喵不靈使用 V2Fun 創作的過程和成果）

移動端和網頁端在我們的規劃中有明確分工的：移動端負責驗證大眾需求和爆款玩法，網頁版負責沉淀專業創作能力和高質量生產管線。換句話說，移動端幫人們發現需求，網頁版負責把價值真正兌現。再加上兩端賬戶和資產是互通的，一個用戶完全可以在手機上隨手起草，再到網頁版精修落地。我們相信這樣既能讓專業的人更快，又能讓沒有基礎的人參與創造。

▍V2Fun 一直強調「行業領先的精度和還原度」，你覺得你們的優勢主要體現在什么方面？

首先說技術上的優勢，我覺得主要有兩個層面，一是底層的 3D 基礎大模型，二是幾何與紋理的聯合優化。

我們基礎模型有過幾次重要迭代。最早是「二維升三維」，相當于給模型看幾張照片、讓它去猜物體的立體結構。這種方式速度快、好上手，但應對復雜造型的能力不足，不同角度還常常對不上。后來我們換成 VAE+Diffusion，其中的 VAE（變分自編碼器）先把龐雜的三維數據壓成一份緊湊的「壓縮包」，Diffusion（擴散模型，和大家熟悉的 AI 畫圖是同一類技術）再在這份壓縮包上生成 3D。這樣一來，細節和復雜紋理的效果就提高很多。

現在，我們進一步發展到 VAE+DiT，DiT 是指 Diffusion Transformer（擴散 Transformer），通俗說就是把模型的骨架換成和大語言模型同源的 Transformer。這樣不僅能應對數據更多、結構更復雜的情況，還能把形狀、質感、每個角度乃至語義放進同一個模型里一起處理，結果更穩定、更可控。

（使用 V2Fun 制作的高清模型）

幾何與紋理的優化也很重要。一個 3D 圖形的質量，很大程度上取決于它的形狀是怎么保存的。傳統的方法存在精度均一的問題，數據量太大，給模型學習造成很大負擔。而我們只保留剛好夠重建形狀的關鍵信息，只在形狀復雜的位置用更密集的數據記錄，實現了精度和效率的良好平衡。

（幾何算法原理圖）

而在紋理貼圖方面，主流做法是先用 AI 生成幾張不同角度的圖、再「貼」回模型上，但這樣無法補全沒拍到的細節，不同角度之間還容易「打架」。我們則區分「全局」和「局部」，全局上定好整體結構，局部用高清小圖塊補充表面細節，所有視?和圖塊通過同?套三維表?表達交換外觀信息。這套方案很輕，還和角度數量、分辨率徹底解耦，推理時能一路放大到 8K 甚至 12K 的紋理效果。

（極頂數創的世界模型效果）

▍3D 生成的賽道里也有大廠和其他野心勃勃的創業公司，你們認為 V2Fun 的差異化在哪？

除了上面說的技術優勢，也就是自研底層大模型加系統級工程適配能力，我們的差異化還在于長遠目標。

具體來說，我們賭的是從「3D 原生資產」進化到「3D 世界模型」這條路：先讓用戶生成一個帶有精準幾何、材質和骨骼的高精度實體，解決資產結構的確定性；下一步讓模型擁有動作和骨骼；未來再通過動作控制與動態記憶機制，讓主體和環境發生真正的物理交互與因果推演，最終收斂成一個全功能的世界模型。

所以在我們看來，3D 資產生成只是入口，不是終點。

▍「3D 原生資產」進化到「3D 世界模型」聽起來很有吸引力，但具體要如何實現呢？

我們把世界模型的核心能力拆成三類：負責畫面質感的渲染器、負責空間物理規律的仿真器、負責行動決策的規劃器。行業現在的局限是，純 2D 視頻路線缺三維結構，高頻交互下畫面容易變形、崩塌；純三維路線能生成精美場景，卻丟了時間維度，只是一具靜態標本。

而我們的核心判斷是：下一代世界模型必須是渲染、仿真、規劃的深度融合。所以我們選擇以帶實體模型、動畫、骨骼的「真 3D」為世界主體，再借助面向交互的「動作控制視頻生成技術」為環境引入時間與因果。

這具體分為兩個階段。第一階段，也就是現在已經做到的，是構建主體和確定性資產：讓用戶生成帶精準幾何、材質和骨骼的高精度模型，把結構底座打牢。第二階段則是引入動作和時間維度。例如，我們正在研究「隱空間高斯記憶體」（Latent Gaussian Memory），把實時的動作和視角切換轉成 3D 記憶顆粒，讓 AI 無論走多遠都能精準召回空間記憶、以低延遲渲染出符合物理規律的畫面；還在研究「動態偏差歸檔機制」（Dynamic Deviation Archive），在交互推理時自動修正長程誤差。這樣，無論視角在虛擬世界里繞多大一圈，場景、顏色、結構都能始終如一。

（隱空間高斯記憶體原理圖）

▍你們經常說自己是一支「研究型團隊」，為什么這么定義？怎么做好「前沿研究」和「適應市場」之間的平衡？

我們團隊成員來自浙大、上交、同濟、澳國立、山大這些海內外頂尖院校，核心成員多是 3D 視覺、深度學習、圖形學、AIGC 方向的博士和資深研發。技術積累上，累計拿過十余次最佳論文和國際競賽獎項，包括 CVPR 最佳論文、ICCV 馬爾獎榮譽提名、ICPR 最佳論文、ICIP 最佳學生論文、WACV 最佳應用論文，還有 ICRA HILTI Visual SLAM 比賽冠軍、CVPR DDAD 深度估計比賽亞軍，谷歌學術總引用接近 5 萬，申請發明專利一百多項。

但我更想強調的是「復合」這兩個字。我們的優勢不在于是一支純算法團隊，也不是傳統的 3D 工具團隊，而是同時具備 3D 視覺、深度學習、圖形學、XR 交互、工程系統和產品化能力的復合型團隊。眾所周知，算法再漂亮，跑不到用戶手機上也沒用。正是因為不僅有模型技術，也有工程適配能力，我們才能把前沿研究真正變成一個普通人幾十秒就能出片的產品。

▍V2Fun 對于商業模式的計劃是怎樣的？最終會以什么形式向誰收費？

我們的商業化路徑將圍繞「創作者生態」與「企業級能力開放」兩個方向展開，一方面通過會員訂閱沉淀創作者用戶價值，另一方面通過 API 能力開放拓展企業級應用場景。

在 C 端，我們以 Web 產品為主要載體，面向創作者群體提供會員訂閱服務。創作者訂閱后，可獲得更完整的產品功能、創作權益以及相應的平臺積分，并通過積分使用平臺內的生成、編輯、增強等能力。我們相信這樣的模式能圍繞高頻創作場景建立持續性的用戶關系，并通過分層會員體系服務不同階段、不同需求的創作者。

在 B 端，我們專注于企業級合作，通過 API 形式開放平臺核心能力。企業客戶可付費獲得相應積分，用于按需調用相關能力或服務。該機制兼具靈活性與可擴展性，能夠支持企業在內容生產、創意工具、營銷應用等場景中接入我們的技術能力。

▍最后一個輕松的問題：用 V2Fun 生成過的所有東西里，哪一個是你自己最喜歡、也最意想不到的？

說出來可能挺普通，不是什么炫酷的角色，是我給自己一歲半的小孩做的一個 3D 模型。

那天他剛睡醒，頭發翹得到處都是，坐在爬爬墊上啃一個積木，表情特別專注。我隨手用手機拍了張照片，扔進我們自己的模型里試效果，其實就是想看看 AI 處理小朋友這種五官比例特殊的對象效果怎么樣。結果沒一會兒，一個圓滾滾的小人就生成出來了，連他啃積木時那種嘟起來的小嘴、翹起來的那撮頭發都還原得清清楚楚。

把模型給我愛人看，她當時就愣住了，說「這也太像了吧，連他那個專注的小表情都在」。我當時心里也咯噔了一下。我們做這套系統，本意是服務專業的動畫師、游戲公司，天天討論的都是精度、拓撲、渲染效率，結果真正戳中我的，是以普通爸爸身份隨手一拍的照片，就能變成一個可以從任何角度看、可以留存下來的立體存在。

這大概就是我們一直想做的事 —— 把 3D 創作還給每一個普通人。一次完整的建模，本來要經過建模、貼圖、拓撲這些專業軟件里的復雜步驟，跟大多數人沒什么關系。而現在，它可以像拍照一樣簡單：拍下來，就留住了。